本文介绍了深层光学的概念，通过编码式的散焦模糊作为额外的深度线索，以端到端设计的光学和图像处理结合来解决单张图像的深度估计问题，提出了几种光学编码策略，并针对三个数据集进行了深度估计的端到端优化方案评估，结果表明在自由镜面设计方面得到了最佳结果，同时，使用单片透镜的色差也可以实现显著的改善深度估计性能，我们构建了一个物理原型，并验证色彩象差改善了在真实世界中的深度估计结果。此外，我们还在 KITTI 数据集上训练了物体检测网络，并表明为深度估计优化的镜头也导致改进了 3D 物体检测性能。

Apr, 2019

本文介绍了一种改进后的低成本、低功耗、低带宽的彩色视频摄像机，能够通过使用高速编码的单个编码器深度扫描来恢复每个测量帧的多个彩色图像，并利用亚压电装置上的二进制代码实现了多帧恢复，同时通过模拟调制了一种用于同时恢复深度信息的液体透镜，并通过波纹 / 离散余弦变换系数的组稀疏性任意算法实现快速恢复。

Feb, 2014

本文提出了一种新方法，通过使用相机光圈所提供的信息作为监督来训练机器学习算法从单幅图像中估计场景深度。为了使学习算法能够使用光圈效应作为监督，我们引入了两个可微的光圈渲染函数，使用输入图像和预测深度来模拟实际相机光圈引起的景深效应。然后我们通过端到端地训练单目深度估计网络来预测场景深度，使其最好地解释这些有限光圈图像作为输入全焦距图像的虚焦模糊渲染。

Nov, 2017

使用深度焦点提示为基础，基于点扩散函数卷积层的无监督学习深度估计方法能在多个数据集上优于其他无监督方法和与 KITTI 和 Make3D 数据集中的监督方法效果相当，并且与数据集无关.

Jan, 2020

提出了一种针对高度物理约束的计算光学成像系统的知识蒸馏框架，通过引入高性能的无约束计算光学成像系统作为 “教师”，指导具有有限快照数的物理约束系统（“学生”）的优化，并使用二进制编码光阑单像素相机进行验证，在单色和多光谱图像重建上证明了该方法优于传统的端到端优化方式。

Jun, 2024

我们提出一种名为 “深度相位编码图像先验” 的新方法，通过仅使用捕获的图像和成像系统的光学信息，从编码相位图像中共同恢复深度地图和全焦图像。

Apr, 2024

本文提出了一种基于自编码器的无监督深度卷积神经网络学习框架，通过训练不需要预训练或注释的神经网络，为单视图深度预测提供了一种新的方法。

Mar, 2016

该论文提出了一种基于卷积神经网络的方法，通过预测包含被前景遮挡区域信息的分层深度图像和前景分离掩模来合成场景和填补遮挡的空白，用于虚拟现实和减弱现实领域的单幅图像的新视点合成。

Jul, 2018

通过三个创新点，本研究提出了一个名为 DCPI-Depth 的框架，该框架采用稠密对应先验，通过上下文信息和光流进行深度感知，实现了在具有挑战性场景中的准确深度估计，并展示了更合理的平滑性。

May, 2024

本文提出了一种基于深度神经网络的技术，通过在双目成像系统的光圈平面引入相位掩膜，创造了一个深度相关的点扩展函数，从而克服了传统立体成像中成像体积和信噪比之间的基本折衷，从而获得了较为显著的扩展景深和更清晰的图像纹理，通过理论分析和实验验证，表明该技术可以在成像体积方面提高 6 倍左右。

Apr, 2021